c2wh = dict([(64,56), ( 128,28), (256,14) ,(512,7)]) 是否需要改动问题 about fcanet

[cfzd]

@Lewis0427
根据我们的经验，分辨率不会影响结果，因为对于不同大小的分辨率，我们提取频率的时候总会在一个固定的7x7频谱上进行提取，相关的代码可以参看这个地方：

FcaNet/model/layer.py

Lines 38 to 39 in aa5fb63

	mapper_x = [temp_x * (dct_h // 7) for temp_x in mapper_x]
	mapper_y = [temp_y * (dct_w // 7) for temp_y in mapper_y]

上述代码的想法很简单，假设输入为n x n，那么其总共有n x n个频谱。但其实在一张14x14的特征图上的(2,2)频率分量他的绝对频率是和一张7x7的特征图上的(1,1)分量是一致的。因此我们为了保证不同stage（也即不同分辨率）的频率都是一致的，我们做了这样的归一化，这就导致分辨率不会影响结果。即使在COCO这种本身图像大小不一的数据集上也能work。

我们设置这个c2wh主要还是为了在固定分辨率和网络结构的情况下（一般是分类网络），提前确定好大小并预先生成对应频谱的DCT 权重，而不用每次都resize，这样应该会快一点。

[cfzd]

@Lewis0427
如果你的尺寸可以确定的话，那你完全可以按照你的尺寸去修改c2wh, 这样还可以省去adaptive_avg_pool2d

[Lewis0427]

@Lewis0427 如果你的尺寸可以确定的话，那你完全可以按照你的尺寸去修改c2wh, 这样还可以省去adaptive_avg_pool2d

我不是7的倍数的尺寸写到c2wh中，不会影响吗？还请赐教

[cfzd]

@Lewis0427
不会影响，这个其实和分辨率大小没什么关系。

[Lewis0427]

万分感谢您！

[CaptainPrice12]

你好，感谢你的分享！其实我关于c2wh setting那里有一些疑问。我看大多数类似的提问是关于如果feature size不是正好7X7这样的话c2wh该怎么设置。我看你的回复是adaptive_avg_pool2d那里做resize应该不会影响性能。不过那些问题都是基于feature map的H和W相等的情况。如果我的feature size的W和H不相等，比如input size是200X80这个大小的，如果最后的feature map size是25X8这样的话，DCT那里继续做adaptive_avg_pool2d的resize是否会影响最后的结果呢？顺便问下对于input size是变化的的情况（不同batch的input size不同），FCA的resize这个效果如何呢？谢谢！

[cfzd]

@CaptainPrice12
即使宽和高不一样，也是一样的，我们在COCO上的实验不仅宽高不一样，输入分辨率还会变化，这样我们的方法依然能够很好的工作。

[CaptainPrice12]

@cfzd 感谢你的回复！其实对channel分组我还有个疑问。如果不对channel做split成n组，而是每个DCT filter都对所有的channel做一次运算的话，就像issue#14讨论过的https://github.com/cfzd/FcaNet/issues/14， 这么做的话运算量确实会大一些，效果会怎么样呢？如果不同的DCT filter对每个channel都做运算的话，是不是最终应该对每个channel上不同DCT filter(e.g., top16)的运算结果再求一次平均从而得到最后这个channel的结果呢？